Download - MASTER EEEA --- 1ERE ANNEE TRAITEMENT DU SIGNAL€¦ · TRAITEMENT DU SIGNAL ÉNONCE DE TRAVAUX PRATIQUES JULIEN MAROT ET OUSSAMA DJEDIDI MARC ALLAIN. Master EEEA Traitement du signal

MASTER EEEA --- 1ERE ANNEE

TRAITEMENT DU SIGNAL

ÉNONCE DE TRAVAUX PRATIQUES

JULIEN MAROT ET OUSSAMA DJEDIDI

MARC ALLAIN

Master EEEA Traitement du signal Travaux pratiques

TABLE DES MATIÈRES

1. Opérations ponctuelles ....................................................................................................................................... 3

1.0 Introduction ..................................................................................................................................................... 3

1.1 Structure du programme de traitement d’image ............................................................................... 3

1.2 Construction des fonctions de rehaussement d’images .................................................................. 5

Correction gamma ..................................................................................................................................................... 9

Egalisation d’histogramme ..................................................................................................................................... 9

Ajustement de dynamique ...................................................................................................................................... 9

Seuillage d’histogramme ....................................................................................................................................... 10

Moyennage d’images ............................................................................................................................................... 10

1.3 Commentaires qualitatifs .......................................................................................................................... 10

2. MATLAB et la transformée de FOURIER ..................................................................................................... 11

2.0 Introduction ................................................................................................................................................... 11

2.1 Méthodes de visualisation de la TFD .................................................................................................... 11

2.2 Périodicité implicite et rotation.............................................................................................................. 12

2.3 Écart-types spatiaux vs. écart-types spectraux ................................................................................ 12

3. Détection de contours par laplacien discret ............................................................................................. 14

3.0 Introduction ................................................................................................................................................... 14

3.1 Analyse des propriétés du laplacien discret ...................................................................................... 14

3.2 Mise en œuvre et robustesse du laplacien discret........................................................................... 15

4. Filtre de MARR-HILDRETH .............................................................................................................................. 16

4.0 Introduction ................................................................................................................................................... 16

4.1 Étude du filtre de Marr-Hildreth ............................................................................................................ 16

4.2 Détection de contours ................................................................................................................................ 17

4.3 Application au calcul de la fraction ventriculaire ............................................................................ 17

1.0 Introduction

On s’intéresse dans ce TP au réhaussement d’image, c’est-à-dire à l’amélioration de l’aspect visuel

(essentiellement le contraste) d’une image, par des opérations ponctuelles (pixel à pixel).

Les savoirs et savoir faires à acquérir lors de ce TP sont :

- Savoir transcrire une méthode de traitement d’image en un script Matlab.

- Appliquer la méthode programmée dans diverses conditions (images, etc.).

- Interpréter les résultats de traitement obtenus, comparer plusieurs opérations ponctuelles selon un critère

subjectif (l’aspect visuel de l’image transformée).

1.1 Structure du programme de traitement d’image

Choisissez un espace de travail sur le disque réseau (et nom sur le bureau car il n’est pas sauvegardé). Créez

un dossier où seront stockés les différents fichiers fournis et créés lors de ce TP (ce dossier pourra par exemple

s’appeler Nom1_Nom2_TP_Image_1 où « Nom1 » et « Nom2 » correspondent évidemment aux noms de

votre binôme).

Dans ce dossier, vous créerez ensuite les sous-dossiers Images, Scripts et Resultats ; ces dossiers

contiendront, respectivement, les images à traiter, les scripts Matlab écrits et les résultats de traitement. Dans le

dossier Images, copiez dans l’ensemble des images utilisées pour ce TP (et que vous demanderez à

l’encadrant). Dans le dossier Nom1_Nom2_TP_Image_1, créez les fichiers Matlab main.m et setup.m. Dans

le dossier Scripts, créez le fichier display_results.

* Le fichier setup.m permettra de créer en début de programme les variables nécessaires au bon déroulement

des programme (notamment, le chemin pour trouver les scripts de traitement et les images à traiter).

* Le fichier main.m est le script principal qui lance les scripts de configuration et de traitement. Il effectue

également la visualisation et la sauvegarde des résultats.

* Le fichier display_results.m permet de faire l’affichage des images et des histogrammes que vous allez

obtenir tout au long du TP.

1. OPERATIONS PONCTUELLES


Le fichier main.m a la structure suivante :

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% Nom : main.m

%%

%% Description : Script de lancement de techniques de rehaussement

%% d’image. Ces scripts permettent : la construction d’histogramme, la

%% correction gamma, l’égalisation d’histogramme.

%%

%% Auteur : Julien Marot

%% Date : 8/10/2012

%% Version : 1.0

%% Historique : création (8/10/2012)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% On efface l’espace de travail...

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

clear all

%% PARTIE 1 : Script de configuration...

%% Definition des variables d’environnement

%% Defintion du nom de l image a traiter

%% Definition du nombre de niveaux de gris

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

setup

%% PARTIE 2 : Chargement de l’image a traiter

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

out = load(nom_image);

image_a_traiter = double(out.A) ;

%% PARTIE 3 : Rehaussement d’image par méthodes point à point

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

sortie1 = histogramme(image_a_traiter,NNdG)

sortie2 = correction_gamma(image_a_traiter,NNdG)

sortie3 = nom_traitement(image_a_traiter,NNdG)

%% PARTIE 4 : affichage et sauvegarde…

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

display_results

Nous décrivons maintenant les différentes parties de ce script. Le fichier setup.m permet de spécifier les

chemins, le nom de l’image à traiter et le nombre de bits sur lequel l’image est codée. Un exemple de fichier

est donné ci-dessous.

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% Nom : setup.m

%% Description : Script de configuration permettant de définir les

%% chemins utilisés par les script de traitement d’image.


%% Date : 8/10/2012

%% Version : 1.0

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% Chemin vers les images à traiter...

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

addpath ????????????????????????? (A COMPLETER)

%% Nom de l’images à traiter

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

nom_image = ’Asteroid.mat’

%% Nombre de NdG a considérer sur l’image

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

NNdG = 2^8;

On effectue ensuite le chargement de l’image à traiter avec la fonction Matlab load. Puis, on effectue un certain

nombre d’opérations sur l’image par des fonctions dédiées. Enfin, on effectue l’affichage des résultats des

traitements.

Exercice 1 : Rédigez et compléter les scripts main.m et setup.m en vous assurant de bien

en comprendre les différentes étapes.

1.2 Construction des fonctions de rehaussement d’images

L’objectif principal de ce TP est de créer les fonctions qui permettent d’effectuer les différents traitements appelés

par le script main.m. Ces opérations sont les suivantes

(a) la construction d’un histogramme (histogramme.m),

(b) la correction gamma (corr_gamma.m),

(c) l’égalisation d’histogramme (egalisation_hist.m),

(d) l’ajustement de dynamique (ajust_dyn.m),

(e) le seuillage d’histogramme (seuillage_hist.m),

(f) le moyennage (moyennage_image.m).

On s’intéresse tout d’abord à la construction de l’histogramme. La structure de ce code, et certains éléments qui

le constituent, serviront également dans les autres fonctions.

Construction d’histogramme

Avant de construire la fonction histogramme, nous allons créer une fonction qui permet de quantifier une image

en nombres entiers, ceci sur un nombre de niveaux de gris spécifié en entrée. Le prototype de cette fonction

sera donc le suivant :


function image_out = quantification_image(image_in,NNdG)

%% image_out = quantification_image(image_in,NNdG)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% Nom : quantification_image.m

%%

%% Description : fonction permettant de quantifier une image sur NNdG niveaux.

%%

%% Entrées : image_in (matrice NxN) = image d’entrée non quantifiée,

%% NNdG (scalaire) = nombre de NdG pour la quantification

%%

%% Sortie : image_out(matrice NxN) = quantifiée sur NNdG niveaux

%%


%% Date : 8/10/2012

%% Version : 1.0

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% (A COMPLETER)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

On souhaite que l’image image_in soit transformée en nombres entiers de façon à ce que image_out prennent

ses valeurs entre 0 et NNdG. Cette fonction utilisera la fonction Dilatation_Valeurs_Donnee.m, qui

échelonne les valeurs d’un ensemble de données entre 0 et une valeur maximum, vue en CAO. Chaque

traitement qui sera appliqué le sera en précision double, qui nécessite 64 bits, soit deux mots de 32 bits.

Exercice 2 : complétez et validez le programme ci-dessus.

L’histogramme a été vu en cours. Nous rappelons qu’il s’agit d’un graphe donnant la proportion de chacun des

niveaux de gris présent dans l’image. Le prototype de la fonction est donné ci-dessous.

function h = histogramme(image_in,NNdG)

%% h = histogramme(image_in,NNdG)

%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% Nom : histogramme.m

%%

%% Description : fonction permettant de construire l’histogramme d’une image.

%%

%% Entrées : image_in (matrice NxN) = image d’entrée non quantifiée,


%%

%% Sortie : h (vecteur Nx1) = liste des proportions des NdG

%%


%% Date : 8/10/2012

%% Version : 1.0

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% Quantification de l’image d’entrée sur NNdG niveaux...

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

image_in_q = quantification_image(image_in,NNdG)

%% Construction de l’histogramme (A COMPLETER)

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

Exercice 3 : complétez et validez le programme ci-dessus. Attention, rappelez-vous que

l’histogramme a une somme normalisée à 1.

Testez votre fonction sur différentes images et interprétez vos résultats.

On souhaite créer une fonction qui affiche une image et son histogramme sur la même figure. Cela facilitera le

travail d’affichage par la suite.


Exercice 4 : complétez et validez le programme ci-dessus. Testez votre fonction sur une

image au choix en appelant la fonction affiche_image_histogramme dans le programme

display_results. Vous afficherez vos images résultats au fur et à mesure en utilisant la

fonction que vous venez de créer.

function affiche_image_histogramme(num_figure,image_in,titre,NNdG)

%% affiche_image_histogramme(num_figure,image_in,titre,NNdG)

%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%% Nom : affiche_image_histogramme.m

%%

%% Description : Affichage d'une image et de son histogramme, enregistrement

%% sous format bmp.

%%

%% Entrées : num_figure (scalaire) = numéro de la figure pour l’affichage

%% image (matrice NxN) = matrice image d’entrée à afficher,

%% Titre (chaîne de caractère) = nom du fichier de sauvegarde


%%


%% Date : 8/10/2012

%% Version : 1.0

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%(A COMPLETER)

Name_Print_Bmp =['.\Resultats\',titre,'.bmp'];

Valeurs_Ng = [0:1:??];

H = Histogramme(image_in,NNdG);

% Affichage de l’image

figure(??)

subplot(211)

image(image_in)

colormap(gray(??)), colorbar, axis image, xlabel('Pixel'), ylabel('Pixel')

title(??)

% Affichage de l’histogramme

subplot(212)

stem(??,??),

axis tight, xlabel('Niveau de gris'), ylabel('Proportion')

imwrite(image_in/max(image_in(:)),Name_Print_Bmp)

Correction gamma

Soit 𝐼𝑜𝑢𝑡 l’image que vous obtiendrez par rehaussement gamma de l’image d’entrée 𝐼𝑖𝑛. La relation entre ces

deux images est la suivante :

𝐼𝑜𝑢𝑡 = 𝐶 (𝐼𝑖𝑛)𝛾

où C et γ sont deux constantes positives.

Exercice 5 : Implantez cette méthode sous la forme d’une fonction corr_gamma.m. Vous

prendrez soin de bien définir les entrées et les sorties de cette fonction. L’image en sortie

devra être codée sur le nombre de niveaux de gris NNdg.

Définissez une valeur adéquate de γ. Visualisez l’histogramme des images à traiter et re-

haussez en conséquence. Interprétez vos résultats.

Egalisation d’histogramme

L’objectif est ici d’apprécier l’effet de l’égalisation d’histogramme sur l’aspect d’une image. Nous rappelons que

l’égalisation d’histogramme nécessite que vous utilisiez l’histogramme cumulé. Pour cette opération, vous

pourrez utiliser la fonction de calcul d’histogramme programmée plus haut ainsi que la fonction cumsum.m de

Matlab.

Exercice 6 : Implantez cette méthode sous la forme d’une fonction egalisation_hist.m.

L’image en sortie devra être codée sur le nombre de niveaux de gris NNdg.

Visualisez l’histogramme des images avant et après traitement. Interprétez vos observa-

tions.

Ajustement de dynamique

L’ajustement de dynamique consiste à redéfinir les valeurs minimale et maximale de l’image d’entrée avant de

la quantifier sur NNdG niveaux. Ce faisant, la dynamique effective est affectée à une plage de valeurs plus

restreinte mais généralement plus utile.

Exercice 7 : Retrouvez dans le cours la transformation ponctuelle qui correspond à cet ajus-

tement de dynamique. Implantez cette méthode sous la forme d’une fonc-

tion ajust_dyn.m ; vous utiliserez la fonction quantification_image.m déjà cons-

truite. L’image en sortie devra être codée sur le nombre de niveaux de gris NNdg.

Visualisez les images et leurs histogrammes avant et après traitement. Pour quels types

d’images cette transformation est-elle utile ?


Seuillage d’histogramme

Le seuillage d’histogramme définit un seuil qui permet de construire une image binaire.

Exercice 8 : Implantez cette méthode sous la forme d’une fonction nommée seuil-

lage_hist.m. L’image en sortie devra être codée sur le nombre de niveaux de gris NNdg.

Visualisez les images et leurs histogrammes avant et après traitement. Dans quels cas de

figure cette transformation est-elle utile ?

Moyennage d’images

L’objectif est ici d’étudier l’effet de réduction du bruit par moyennage d’images.

Exercice 9 :

Pour un niveau de bruit niveau_bruit donné et une image de votre choix, générez

nb_real réalisations bruitées à partir de la commande Matlab

Image_Bruitee = Image_a_traiter+Niveau_Bruit*(NNdG-1)*randn(size(Image_a_traiter);

Implantez ensuite le calcul de l’image moyenne sous la forme d’une fonction nommée moyennage_image.m.

Visualisez l’image moyennée et son histogramme. Faites de même avec l’une des images

bruitées. Que constatez-vous ? Dans quels cas de figure cette transformation sera-t-elle mise

en échec ?

1.3 Commentaires qualitatifs

Quelle est selon vous l’opération qui conduit à un meilleur rendu visuel ? Ce constat est-il valable pour toutes les

images ?

2. MATLAB ET LA TRANSFORMEE DE FOURIER

2.0 Introduction

L’objectif de ce TP est double. Il s’agit tout d’abord de vous faire manipuler les fonctions MATLAB permettant le

calcul de la transformée de Fourier (TF) et de son inverse. D’autre part, nous chercherons à observer la signature

dans le spectre de Fourier de certaines structures visibles dans le domaine spatial.

2.1 Méthodes de visualisation de la TFD

Note Matlab 1 – On notera que sous Matlab le module et la phase d'une composante complexe s'obtient respectivement par la fonction <abs> et <angle>.

Note Matlab 2 – La commande <fft2> calcule la TFD d'une image et la fonction <ifft2> calcule la TFD inverse.

Note Matlab 3 – Vous utiliserez les fonctions de visualisation <imagesc> et <mesh> pour afficher les images et la fonction <subplot> qui permet de tracer plusieurs images sur la même figure. Vous noterez l'existence de la fonction <fftshift> qui intervertit les cadrans d'une matrice et permet ainsi de « recentrer » le spectre avant l'affichage.

Exercice 1 :

Chargez l'image visage.mat; l’image est dans la variable img. Sous Matlab, calculez le spectre de visage.mat

et affichez le avec et sans centrage. Comme la composante harmonique (0,0) domine les autres valeurs, vous

la supprimerez pour mieux observer le spectre. Vous expliquerez dans votre rapport pourquoi l'harmonique (0,0)

est réelle et contient bien la somme des pixels ; vous utiliserez enfin la fonction <sum> pour le vérifier.

Exercice 2 :

L'image contenue dans visage.mat est constituée de plusieurs gaussiennes. Sachant que la transformée de

Fourier (TF) d'une gaussienne est également une gaussienne (cf., Sec. 3.3), commentez le spectre de l'image

visage.mat.

Exercice 3 :

Expliquez aussi pourquoi le fait d'enlever la valeur moyenne d'une image revient à mettre à zéro l'harmonique

(0,0). Vous vérifierez que c'est effectivement le cas à l'aide de la fonction <mean>.

Exercice 4 :

Il est souvent plus facile d'observer un spectre y en visualisant sa transformation par :

>> visuF = log(1+abs(y))

Essayez cette transformation pour afficher le spectre. Vous noterez qu'elle permet de mieux voir les composantes

spectrales de faible amplitude.


2.2 Périodicité implicite et rotation

Exercice 5 : observation...

Lisez une image de réseau coronarien coroav1.mat dont le nom de la variable est seqb24. Affichez son spectre

et observez les directions principales du spectre. Comment vous renseignent-elles sur l'orientation de l'arbre

coronarien ? Vous remarquerez que le spectre comporte une croix. C’est un artefact dû au fait que l’image est

supposée périodique.

Exercice 6 : fenêtre de ponderation...

Pour pallier à ce problème, il est courant d'effectuer un fenêtrage de l'image, c.à.d., de multiplier l'image par une

fonction 2D ajustée de façon a s’annuler sur les bords. Par exemple, pour mettre en oeuvre un fenêtrage de

Hamming, tapez :

>>fenetre1D = hamming(256); % Const. fenetre de Hamming 1D

>>[fenetre_x,fenetre_y] = meshgrid(fenetre1D); % Const. fenetre de Hamming 2D

>>fenetre2D =fenetre_x.*fenetre_y;

>>seqb24_fen = seqb24.*fenetre2D; % Ponderation...

Visualisez la construction de la fenêtre aux différentes étapes, puis visualisez le nouveau spectre et commentez

le résultat dans votre rapport.

Exercice 7 :

Faites une rotation de cette image à l'aide de la fonction <imrotate>. Visualisez le spectre et commentez le

résultat dans votre rapport.

2.3 Écart-types spatiaux vs. écart-types spectraux

Nous illustrons ces propriétés en étudiant les caractéristiques spectrales des gaussiennes bi-dimensionnelles. La fonction

gaussienne normalisée (c.-à-d. de surface unitaire et centrée à l'origine) est ainsi définie :

𝑔(𝑥) =1

𝜎𝑥√2𝜋exp (−

1

2 𝜎𝑥2

)

où 𝜎𝑥 est l' « écart type », c.-à.-d. un paramètre de la fonction qui contrôle l'étalement de la fonction autour de

l'origine. Pour étudier la TF d'une gaussienne, il est utile de se référer à la fonction

𝑓(𝑥) = exp (− 𝜋 𝑥2)

dont la transformée de Fourier est de forme identique, soit :

𝑓(𝑢) = exp (− 𝜋 𝑢2)

Exercice 8 :

En utilisant la propriété de « mise à l'échelle » de la TF, démontrez que la TF de g(x) est également une

gaussienne dont l'écart type 𝜎𝑢 vaut 𝜎𝑢 = (2 𝜋 𝜎𝑥 )−1.

Exercice 9 :

Démontrez que la largeur à mi-hauteur de la gaussienne notée est reliée à l'écart type 𝜎𝑥 par la relation .

Exercice 10 :

En deux dimensions, la gaussienne normalisée (c.-à-d. de volume unitaire) a la forme :

𝑔2(𝑥, 𝑦) = 𝑔(𝑥)𝑔(𝑦) = 1

2𝜋 𝜎𝑥 𝜎𝑦

exp − ( 1

2 𝜎𝑥2

+ 1

2 𝜎𝑦2

)

La fonction g2 étant séparable, démontrez que sa transformée l'est aussi, c.-à-d. qu'elle est égale au produit

G(u)G(v), les transformées respectives de g(x), g(y). Déduisez-en l'expression de la TF de g2.

Exercice 11 :

Note Matlab 4-- Pour afficher des fonctions dont on connaît l'expression analytique, on utilisera d'abord la fonction <meshgrid> qui permet de générer un plan croissant en x et un plan croissant en y. Par exemple, si on souhaite

afficher L(x,y) = x2+y2, il suffit de taper [x,y] = meshgrid (-32:31,-32:31); puis directement output = u.^2 + v.^2; pour calculer la fonction sur la grille générée.

Pour étudier une gaussienne avec Matlab, nous construisons une gaussienne bidimensionnelle centrée à l'origine

et d'écart type s_x et s_y de, respectivement, 3 pixels en x et 6 pixels en y.

>>[x,y]=meshgrid(-32:31,-32:31); % Génération maillage

>>gauss=exp( - ( x.^2/(2*sigmax^2) + y.^2/(2*sigmay^2) ) ); % Calcul de la gaussienne

>>gauss=fftshift(gauss); % On recentre sur origine Matlab

>>Tfgauss=fft2(gauss); % calcul de la TF

Tracez TFgauss selon les axes u et v et observer l'écart-type de cette fonction selon ces axes. Estimez

visuellement la largeur à mi-hauteur selon les axes u et v. et vérifiez la relation ci-dessus. Refaites cette

vérification pour un 𝜎𝑥 plus grand (7 pixels) et un 𝜎𝑦 plus grand (10 pixels). Qu'observez-vous sur les écarts type

dans le domaine fréquentiel 𝜎𝑢 et 𝜎𝑣 ? Commentez.

Exercice 12 :

Note Matlab 5-- On notera que le calcul de la phase devient imprécis lorsque l'amplitude d'une harmonique est faible. Il convient alors de masquer les composantes de phase qui seraient calculées avec des harmoniques d'amplitude trop faible (par exemple .001 dans cet exemple).

Note Matlab 6-- La fonction déduite de <angle> est souvent en « dent de scie » car elle calcule la phase entre –pi et +pi. On peut en général rétablir une fonction de phase plus lisse avec la fonction <unwrap>.

Pour étudier une gaussienne décentrée, construisez une gaussienne bidimensionnelle d'écart-types identiques

mais décalée de 3 pixels en x et de 5 pixels en y. Visualisez les spectres des deux fonctions. Trouvez la position

(ligne,colonne) des maxima et commentez. Visualisez la phase avec la fonction <angle>. Comparez les maxima

de la phase pour les deux gaussiennes et commentez cette comparaison. Quelle est la forme de la phase pour

la gaussienne décalée ? Comparez également les pentes en u et celle en v.


3. DETECTION DE CONTOURS PAR LAPLACIEN DISCRET

3.0 Introduction

L’objectif de ce TP est d’introduire et d’analyser les outils de détection de contour dans les images basés sur la

différentiation numérique. Les aspects de robustesse au bruit seront notamment soulignés.

3.1 Analyse des propriétés du laplacien discret

Note Matlab 1-- L'opérateur de convolution numérique 2D est implémentée avec la fonction <conv2>. Vous noterez que la taille de l'image en sortie ne correspond pas à celle de l'image d'entrée car il faut tenir compte des « effets de bord », cf. cours.

Note Matlab 2-- La génération d'un bruit uniforme est implémentée par la fonction <rand> ainsi, l'instruction rand(64) permet de générer une image 64x64 dont chaque point correspond à la réalisation d'une variable

aléatoire uniforme tirée sur [0,1].

Le théorème de convolution est ainsi formulé :

𝑇𝐹(𝑓 ∗ 𝑔) = 𝐹 . 𝐺

où * désigne l'opération de convolution et avec F et G les TF de f et g, respectivement. On illustre ce théorème

en étudiant les propriétés d'un opérateur discret, c.-à-d. d'un opérateur (numérique) linéaire noté lap_d et défini

par

𝑙𝑎𝑝𝑑 = (0 −1 0

−1 4 −10 −1 0

)

Comme cette formulation ne permet pas un traitement « isotrope » des images, on préfère souvent d'autres

formulations de laplacien discret qui le permettent,

(−1 −1 −1−1 8 −1−1 −1 −1

) ou (−1 −2 −1−2 4 −2−1 −2 −1

)

L'opérateur laplacien a la propriété d'amplifier les transitions dans l'image, c.-à-d. les changements de niveau de

gris. Il peut donc servir à extraire les arêtes des objets.

Exercice 1.1 : forme analytique de la fonction de transfert

On appelle « gain en continu » la somme des termes de l'opérateur. On remarquera que pour les opérateurs ci-

dessus, ce gain est nul. Que cela signifie t-il si l'opérateur agit sur une image de niveau de gris uniforme ?

Calculez la transformée en Z du laplacien discret et faites la substitution :

𝑧1 = exp (𝑗 2 𝜋 𝑢 ∆𝑥)

𝑧2 = exp (𝑗 2 𝜋 𝑢 ∆𝑦)

Vous obtiendrez ainsi une fonction de (u,v) que vous noterez Ld(u,v). Cette fonction est la fonction de transfert

(FT) du laplacien discret. Comparez cette FT à celle de l'opérateur continu dont l'expression est donnée en cours

(vous tracerez notamment ces deux expressions sous Matlab).

Exercice 1.2 : évaluation numérique de la fonction de transfert

On peut observer la FT d'un opérateur dicret quelconque en effectuant la TFD d'une image de la réponse à

l'impulsion de l'opérateur (ici, du laplacien discret) :

>> repcentre = zeros(64); % Initialise l'image

>> repcentre(32:34,32:34) = lap_d; % Insère le laplacien

>> repimp=fftshift(repcentre)); % Centrer sur l'origine Matlab

Calculez et visualisez le spectre d'amplitude de repimp. Comparez ce spectre à celui calculé à la question

précédente.

3.2 Mise en œuvre et robustesse du laplacien discret

Exercice 2 : détection de bords (1)

Il s'agit d'observer l'effet de l'opérateur sur une image d'un carré blanc (niveau 60) sur fond noir (niveau 0).

Construisez une telle image avec la fonction <carre_fo> en choisissant un carré 32x32 sur fond 64x64 ; on

notera par la suite cette image carres. Convoluez carres avec le laplacien discret en prenant soin de ne

conserver qu'une partie de la convolution pour conserver la taille initiale. Affichez ensuite les deux images côte

à côte et observez l'effet. Commentez.

Exercice 3 : détection de bords (2)

Convoluez l'image carres par un autre carré de taille 9 x 9; on notera par la suite cette image carfilt. Quel est le

gain continu du filtre que vous venez d'utiliser ? Commentez le résultat de cette opération. Convoluez ensuite

carfilt avec le laplacien et commentez le résultat.

Exercice 4 : immunité au bruit

Ajoutez du bruit à carfilt et refaites la convolution avec le laplacien. Observez le résultat et noter qu'il est difficile

d'identifier la frontière, alors qu'à l'œil nu on peut très bien la voir sur l'image bruitée. Expliquez le problème.


4. FILTRE DE MARR-HILDRETH

4.0 Introduction

Le TP précédent a insisté sur la nécessité de construire un détecteur de bord numérique qui soit robuste au bruit

présent dans l’image. De manière standard, un tel détecteur de bord peut être conçu en lissant au préalable

l’image bruitée. C’est le cas du filtre de Marr-Hildreth vu en cours et que nous étudions dans ce TP.

4.1 Étude du filtre de Marr-Hildreth

Le filtre de Marr-Hildreth (MH) est un filtre dont la réponse à l'impulsion est décrite par la relation

ℎ𝑀𝐻(𝑥, 𝑦) = 𝛻2exp − ( 𝑥2

2 𝜎𝑥2 +

𝑦2

2 𝜎𝑦2) avec 𝛻2 = (

𝜕2

𝜕𝑥2 + 𝜕2

𝜕𝑦2)

où 𝜎𝑥 et 𝜎𝑦 sont respectivement l'écart type en x et en y du filtre. Ce filtre peut être représenté comme la mise

en cascade de deux filtres linéaires : l'image f(x,y) est d'abord filtrée par un filtre gaussien passe-bas pour

produire une image f1(x,y), que l'on soumet au laplacien dont la propriété est de faire ressortir les frontières des

objets. Le laplacien étant un filtre passe-haut, la mise en cascade produit un filtre passe-bande bidimensionnel.

Dans cet exercice, nous allons d'abord étudier les propriétés de ce filtre, en particulier l'écart type de la réponse

impulsionnelle gaussienne, puis observer que son écart type sert à adapter le laplacien qui suit à la détection

des frontières des objets de taille (et d'orientation) particulière.

Notre premier objectif est d'observer que le filtre de MH est un filtre passe-bande de « fréquence centrale »

distribuée selon une ellipse dans le plan de Fourier. Le laplacien d'une gaussienne d'écart type 𝜎𝑥 et 𝜎𝑦 est un

filtre dont la fonction transfert est :

𝐻𝑀𝐻(𝑢, 𝑣) = (𝑢2 + 𝑣2)exp − ( 𝑢2

2 𝜎𝑢2

+ 𝑣2

2 𝜎𝑣2

)

Exercie 1 :

En utilisant le lien existant entre écart-types spatiaux et fréquentiels, donnez une autre expression de la fonction

de transfert ci-dessus. Déterminez analytiquement la position en u du maximum du passe-bande lorsque

𝜎𝑥 = 𝜎𝑦 ; notez que cette position est justement fonction de ces écarts types.

Exercice 2 :

La fonction <marr> présentée en Annexe 2 réalise le filtrage de MH, en spécifiant 𝜎𝑥 et 𝜎𝑦 en pixels ; la fonction

est en librairie et peut être appelée directement. Nous allons l'utiliser pour observer la fonction transfert du filtre.

Pour cela, il s'agit simplement de filtrer une impulsion à l'origine, puis de faire la transformée de Fourier de cette

réponse. Observer le comportement passe-bande du filtre avec 𝜎𝑥 = 𝜎𝑦 = 4 et 𝜎𝑥 = 𝜎𝑦 = 8. Tracez une tranche

centrale du filtre et déterminez la position du maximum. Vérifiez que cette position est bien celle prédite

analytiquement.

4.2 Détection de contours

Nous commençons l'étude de ce filtre par la biais d'une image synthétique. Plus précisément, il s'agit de quatre

carrés de tailles diverses, filtrés passe-bas par un filtre uniforme, sont disponibles pour ces observations dans le

fichier enscarfl.mat.

Exercice 3 : compromis précision/robustesse

Observez d'abord le comportement du filtre de MH lorsqu'il n'y a pas de bruit, et ceci pour trois écarts types, dont

l'un, très faible, approxime le laplacien seul [vous expliquerez pourquoi]. Observez ensuite que le plus petit carré

est très peu visible pour l'écart-type le plus important. Donnez une explication de ce phénomène. Ajoutez du bruit

avec un écart-type de 500 et observez l'effet de cette perturbation sur la détection des frontières. Notez aussi les

effets de périodicité de l'image.

Exercice 4 : détection de bords sur une image réelle

Utilisez l'image coroav1.mat pour étudier l'effet de 𝜎𝑥 et 𝜎𝑦 sur la détection des frontières. Affichez l'image et

déterminez la largeur approximative de l'artère, puis utilisez cette valeur pour préciser les écart-types qui seraient

adaptés à la détection des contours. Filtrez :

>> img = marr(.....);

On obtient une image représentant les contours seuls, en détectant les passages par zéro de img ; pour y

parvenir, on effectuera d'abord une image binaire :

>> imgbin = img<0;

Essayez quelques valeurs d'écarts types pour observer leurs effets. On obtient les frontières en déterminant les

pixels pour lesquels la norme du gradient de imgbin est non nulle

>> frontiere = abs(gradient(double(imgbin))) ~= 0;

On pourra alors superposer les frontières à l'image originale :

>> affiche(seqb24.*(~frontiere) + frontiere * 255);

Le symbole ~ signifie « not » et inverse la logique de frontière pour laisser l'image intacte partout sauf à la

frontière.

4.3 Application au calcul de la fraction ventriculaire

La fraction d'éjection ventriculaire est la quantité relative de sang éjecté lors d'une contraction (volume en fin de

diastole - volume en fin de systole)/(volume en fin de diastole). Elle exprime l'efficacité de la pompe cardiaque à

faire circuler le sang à chacune des contractions. Une valeur normale est de 0.75. On détermine la fraction

d'éjection à l'aide de mesures géométriques de la cavité ventriculaire au début et à la fin de la contraction et de

mesures de la section du ventricule en fin de systole et en fin diastole. À partir de ces mesures et en faisant

appel à un modèle géométrique approprié (ellipsoïde), il est possible d'estimer les volumes correspondants, donc

la fraction d'éjection (l'annexe 3 donne des détails sur le sujet). Les filtres de Marr-Hildreth peuvent être utiles

pour automatiser cette procédure.


Exercice 5 :

Lisez les images syst90.mat, diast90.mat et fd90.mat qui correspondent, respectivement, à la systole et à la

diastole cardiaque et au fond. Dans un premier temps, obtenir une image plus nette des cavités cardiaques en

soustrayant l'image de systole (et diastole) de l'image du fond. Sur les images résultantes, déterminez l'intérieur

du ventricule et son contour avec la même procédure que celle utilisée pour les coronaires (avec 𝜎𝑥 plus élevé

toutefois). Obtenez une image binaire montrant l'intérieur des cavités ventriculaires (cf. annexe 3). Estimez la

surface en calculant le nombre de pixels qui appartiennent à l'intérieur du ventricule ; vous utiliserez pour cela la

fonction <sum>. Évaluez la longueur du grand axe ventriculaire. Estimez la fraction d'éjection.